Análise de Indicadores de Performance do Varejo

Portifólio Thiago Gonçalves Custódio

1. Definição do Problema

Calcular, analisar e interpretar os indicadores chave de performance abaixo com base nos dados fornecidos:

Indicador 1 – Faturamento Anual / Mensal e Anual por Região

Indicador 2 - Taxa Percentual de Crescimento Mensal

Indicador 3 - Clientes Ativos Por Mês

Indicador 4 - Total de Itens Comprados Por Mês

Indicador 5 - Faturamento Médio Mensal Total e exclusivo de um estado (São Paulo)

Indicador 6 - Diferença de Faturamento ao Longo do Tempo Entre Clientes Novos e Antigos

Indicador 7 - Taxa de Novos Clientes

Indicador 8 - Taxa Mensal de Retenção de Clientes

1.1 Informações sobre o DataSet

Dados fictícios, mas que podem representar a realidade.

2. Pré-Processamento

2.1 Instalando e Carregando os Pacotes

!pip install -q -U watermark

# Imports
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib
import plotly
import matplotlib.pyplot as plt
import plotly.offline as pyoff
import plotly.graph_objs as go
from datetime import datetime, timedelta
import warnings
warnings.filterwarnings("ignore")
%matplotlib inline
pyoff.init_notebook_mode()

# Versões dos pacotes usados neste jupyter notebook
%reload_ext watermark
%watermark -a "Thiago Gonçalves Custódio" --iversions

Author: Thiago Gonçalves Custódio

plotly    : 4.14.3
seaborn   : 0.11.1
pandas    : 1.2.2
matplotlib: 3.4.0
numpy     : 1.20.1

2.2 Carga do Dados / DataSet

# Carrega os dados
df = pd.read_excel("dados/dados.xlsx", header = 0)

# Visualiza os dados
df.head(4)

	ID Pedido	Data Pedido	Nome Cliente	Cidade	Pais	Regiao	Segmento	Data Entrega	Modo Entrega	Estado	Nome Produto	Desconto	Vendas	Lucro	Quantidade	Categoria	Sub-Categoria	AnoMesPedido	AnoPedido	Faturamento
0	AZ-2011-6674300	2011-01-04	Devin Huddleston	Natal	Brasil	Nordeste	Consumer	2011-01-08	Economica	Rio Grande do Norte	Binney & Smith Sketch Pad, Easy-Erase	0.0	140	21	3	Office Supplies	Art	201101	2011	420
1	AZ-2011-617423	2011-01-05	Daniel Burke	Recife	Brasil	Nordeste	Home Office	2011-01-07	Prioridade	Pernambuco	Binney & Smith Pencil Sharpener, Water Color	0.0	90	21	3	Office Supplies	Art	201101	2011	270
2	AZ-2011-2918397	2011-01-07	Fredrick Beveridge	Palmas	Brasil	Centro-Oeste	Corporate	2011-01-08	Prioridade	Tocantins	Bush Floating Shelf Set, Pine	0.1	155	36	1	Furniture	Bookcases	201101	2011	155
3	BN-2011-3248724	2011-01-08	Archer Hort	Caxias do Sul	Brasil	Sul	Consumer	2011-01-14	Economica	Rio Grande do Sul	Ikea Classic Bookcase, Metal	0.6	987	-1012	6	Furniture	Bookcases	201101	2011	5922

# Shape
df.shape

(991, 17)

2.3 Análise Exploratória / Data Munging

# Tipos de dados
df.dtypes

ID Pedido                object
Data Pedido      datetime64[ns]
Nome Cliente             object
Cidade                   object
Pais                     object
Regiao                   object
Segmento                 object
Data Entrega     datetime64[ns]
Modo Entrega             object
Estado                   object
Nome Produto             object
Desconto                float64
Vendas                    int64
Lucro                     int64
Quantidade                int64
Categoria                object
Sub-Categoria            object
dtype: object

# Describe
df.describe()

	Desconto	Vendas	Lucro	Quantidade
count	991.000000	991.000000	991.000000	991.000000
mean	0.071847	351.485368	45.290616	3.863774
std	0.124598	567.728055	161.666436	2.270276
min	0.000000	5.000000	-1012.000000	1.000000
25%	0.000000	57.000000	4.000000	2.000000
50%	0.000000	136.000000	18.000000	3.000000
75%	0.100000	375.000000	54.000000	5.000000
max	0.650000	5729.000000	1868.000000	14.000000

# Verificando valores nulos
df.isna().sum()

ID Pedido        0
Data Pedido      0
Nome Cliente     0
Cidade           0
Pais             0
Regiao           0
Segmento         0
Data Entrega     0
Modo Entrega     0
Estado           0
Nome Produto     0
Desconto         0
Vendas           0
Lucro            0
Quantidade       0
Categoria        0
Sub-Categoria    0
dtype: int64

# Range de datas do período que ocorreram os pedidos e as entregas
print('Data Mínima:', df['Data Pedido'].min())
print('Data Máxima:', df['Data Pedido'].max())

print('Data Mínima:', df['Data Entrega'].min())
print('Data Máxima:', df['Data Entrega'].max())

Data Mínima: 2011-01-04 00:00:00
Data Máxima: 2014-12-31 00:00:00
Data Mínima: 2011-01-07 00:00:00
Data Máxima: 2015-01-03 00:00:00

# Estados para os quais ocorreram vendas
df['Estado'].unique()

array(['Rio Grande do Norte', 'Pernambuco', 'Tocantins',
       'Rio Grande do Sul', 'São Paulo', 'Espírito Santo',
       'Rio de Janeiro', 'Ceará', 'Minas Gerais', 'Santa Catarina',
       'Amazonas', 'Paraná', 'Bahia', 'Mato Grosso', 'Alagoas', 'Roraima',
       'Goiás', 'Rondônia', 'Piauí', 'Amapá', 'Mato Grosso do Sul',
       'Paraíba', 'Pará', 'Maranhão', 'Sergipe'], dtype=object)

3. Criação e Visualização dos Indicadores

Indicador 1 - Faturamento Anual / Mensal e Anual por Região

Faturamento = Quantidade * Valor_Unitario

# Extrai o mês do Pedido
df['AnoMesPedido'] = df['Data Pedido'].map(lambda date: 100 * date.year + date.month)

# Extrai o ano da Pedido
df['AnoPedido'] = df['Data Pedido'].map(lambda date: date.year)

# Visualiza os dados
df.head(3)

	ID Pedido	Data Pedido	Nome Cliente	Cidade	Pais	Regiao	Segmento	Data Entrega	Modo Entrega	Estado	Nome Produto	Desconto	Vendas	Lucro	Quantidade	Categoria	Sub-Categoria	AnoMesPedido	AnoPedido
0	AZ-2011-6674300	2011-01-04	Devin Huddleston	Natal	Brasil	Nordeste	Consumer	2011-01-08	Economica	Rio Grande do Norte	Binney & Smith Sketch Pad, Easy-Erase	0.0	140	21	3	Office Supplies	Art	201101	2011
1	AZ-2011-617423	2011-01-05	Daniel Burke	Recife	Brasil	Nordeste	Home Office	2011-01-07	Prioridade	Pernambuco	Binney & Smith Pencil Sharpener, Water Color	0.0	90	21	3	Office Supplies	Art	201101	2011
2	AZ-2011-2918397	2011-01-07	Fredrick Beveridge	Palmas	Brasil	Centro-Oeste	Corporate	2011-01-08	Prioridade	Tocantins	Bush Floating Shelf Set, Pine	0.1	155	36	1	Furniture	Bookcases	201101	2011

# Calcula o faturamento
df["Faturamento"] = df["Quantidade"] * df["Vendas"]

# Visualiza os dados
df.head(3)

	ID Pedido	Data Pedido	Nome Cliente	Cidade	Pais	Regiao	Segmento	Data Entrega	Modo Entrega	Estado	...	Desconto	Vendas	Lucro	Quantidade	Categoria	Sub-Categoria	AnoMesPedido	AnoPedido	Faturamento	TktMedio
0	AZ-2011-6674300	2011-01-04	Devin Huddleston	Natal	Brasil	Nordeste	Consumer	2011-01-08	Economica	Rio Grande do Norte	...	0.0	140	21	3	Office Supplies	Art	201101	2011	420	140.0
1	AZ-2011-617423	2011-01-05	Daniel Burke	Recife	Brasil	Nordeste	Home Office	2011-01-07	Prioridade	Pernambuco	...	0.0	90	21	3	Office Supplies	Art	201101	2011	270	90.0
2	AZ-2011-2918397	2011-01-07	Fredrick Beveridge	Palmas	Brasil	Centro-Oeste	Corporate	2011-01-08	Prioridade	Tocantins	...	0.1	155	36	1	Furniture	Bookcases	201101	2011	155	155.0

3 rows × 21 columns

# Agrupa o faturamento por Ano
df_faturamento_Ano = df.groupby(['AnoPedido']).agg({'Faturamento': sum}).reset_index()

# Agrupa o faturamento por mês/ano
df_faturamento_AnoMes = df.groupby(['AnoMesPedido']).agg({'Faturamento': sum}).reset_index()

# Agrupa o faturamento por Ano/Regiao
df_faturamento_AnoRegiao = df.groupby(['AnoPedido', 'Regiao']).agg({'Faturamento': sum}).reset_index()

Visualização do Indicador 1

# Plot

# Definição dos dados no plot
plot_data = [go.Bar(x = df_faturamento_Ano['AnoPedido'], 
                    y = df_faturamento_Ano['Faturamento'],)]

# Layout
plot_layout = go.Layout(xaxis = {"type": "category"}, 
                        title = 'Faturamento Anual')

# Plot da figura
fig = go.Figure(data = plot_data, layout = plot_layout)
pyoff.iplot(fig)

# Plot

# Definição dos dados no plot
plot_data = [go.Scatter(x = df_faturamento_AnoMes['AnoMesPedido'], 
                        y = df_faturamento_AnoMes['Faturamento'],)]

# Layout
plot_layout = go.Layout(xaxis = {"type": "category"}, 
                        title = 'Faturamento Mensal')

# Plot da figura
fig = go.Figure(data = plot_data, layout = plot_layout)
pyoff.iplot(fig)

df_faturamento_AnoRegiao_CentroOeste = df_faturamento_AnoRegiao.query("Regiao=='Centro-Oeste'").reset_index(drop = True)
df_faturamento_AnoRegiao_Nordeste = df_faturamento_AnoRegiao.query("Regiao=='Nordeste'").reset_index(drop = True)
df_faturamento_AnoRegiao_Norte = df_faturamento_AnoRegiao.query("Regiao=='Norte'").reset_index(drop = True)
df_faturamento_AnoRegiao_Sudeste = df_faturamento_AnoRegiao.query("Regiao=='Sudeste'").reset_index(drop = True)
df_faturamento_AnoRegiao_Sul = df_faturamento_AnoRegiao.query("Regiao=='Sul'").reset_index(drop = True)

# Cria a figura
fig = go.Figure()

# Formata as barras por agrupamento
fig.add_trace(go.Bar(x = df_faturamento_AnoRegiao_CentroOeste['AnoPedido'],
                     y = df_faturamento_AnoRegiao_CentroOeste['Faturamento'],
                     name = 'Centro-Oeste',
                     marker_color = 'cornsilk'))

fig.add_trace(go.Bar(x = df_faturamento_AnoRegiao_Nordeste['AnoPedido'],
                     y = df_faturamento_AnoRegiao_Nordeste['Faturamento'],
                     name = 'Nordeste',
                     marker_color = 'coral'))

fig.add_trace(go.Bar(x = df_faturamento_AnoRegiao_Sudeste['AnoPedido'],
                     y = df_faturamento_AnoRegiao_Sudeste['Faturamento'],
                     name = 'Sudeste',
                     marker_color = 'cadetblue'))

fig.add_trace(go.Bar(x = df_faturamento_AnoRegiao_Sul['AnoPedido'],
                     y = df_faturamento_AnoRegiao_Sul['Faturamento'],
                     name = 'Sul',
                     marker_color = 'yellowgreen'))

fig.add_trace(go.Bar(x = df_faturamento_AnoRegiao_Norte['AnoPedido'],
                     y = df_faturamento_AnoRegiao_Norte['Faturamento'],
                     name = 'Norte',
                     marker_color = 'tomato'))


# Formata o layout
fig.update_layout(title_text = 'Faturamento Anual por Região',
                  xaxis = {"type": "category"},
                  yaxis_title = "Faturamento Anual",
                  barmode = 'stack') 

# Mostra o gráfico
fig.show()

Indicador 2 - Taxa Percentual de Crescimento Mensal

Taxa Percentual de Crescimento Mensal = Faturamento Mensal / Faturamento Mensal Anterior * 100

# Usamos a função pct_change() para calcular a variação percentual mensal
df_faturamento_AnoMes['CrescimentoMensal'] = df_faturamento_AnoMes['Faturamento'].pct_change()

# Tabela de dados
df_faturamento_AnoMes.head(2)

	AnoMesPedido	Faturamento	CrescimentoMensal
0	201101	8157	NaN
1	201102	51623	5.328675

Visualização do Indicador 2

# Plot

plot_data = [go.Scatter(x = df_faturamento_AnoMes['AnoMesPedido'],
                        y = df_faturamento_AnoMes['CrescimentoMensal'],)]

# Layout
plot_layout = go.Layout(xaxis = {"type": "category"}, 
                        title = 'Taxa Percentual de Crescimento Mensal')

# Plot da figura
fig = go.Figure(data = plot_data, layout = plot_layout)
pyoff.iplot(fig) 

Indicador 3 - Clientes Ativos Por Mês

Clientes ativos são aqueles que fizeram pelo menos uma compra em cada mês.

# Usuários ativos são aqueles que fizeram pelo menos uma compra
df_ativos_mes = df.groupby('AnoMesPedido')['Nome Cliente'].nunique().reset_index()

# Dados
df_ativos_mes.head(3)

	AnoMesPedido	Nome Cliente
0	201101	7
1	201102	9
2	201103	8

Visualização do Indicador 3

# Plot

# Definição dos dados no plot
plot_data = [go.Bar(x = df_ativos_mes['AnoMesPedido'], 
                    y = df_ativos_mes['Nome Cliente'],)]

# Layout
plot_layout = go.Layout(xaxis = {"type": "category"}, 
                        title = 'Clientes Ativos Por Mês')

# Plot da figura
fig = go.Figure(data = plot_data, layout = plot_layout)
pyoff.iplot(fig)

Indicador 4 - Total de Itens Comprados Por Mês

Total de itens comprados por mês.

# Agrupa os dados para calcular o total de itens comprados por mês no Brasil
df_itens_mes = df.groupby('AnoMesPedido')['Quantidade'].sum().reset_index()

# Dados
df_itens_mes.head(3)

	AnoMesPedido	Quantidade
0	201101	23
1	201102	39
2	201103	31

Visualização do Indicador 4

# Plot

# Definição dos dados no plot
plot_data = [go.Bar(x = df_itens_mes['AnoMesPedido'], 
                    y = df_itens_mes['Quantidade'],)]

# Layout
plot_layout = go.Layout(xaxis = {"type": "category"}, 
                        title = 'Total de Itens Comprados Por Mês')

# Plot da figura
fig = go.Figure(data = plot_data, layout = plot_layout)
pyoff.iplot(fig)

Indicador 5 - Faturamento Médio Mensal

# Calcula o faturamento médio
df_faturamento_medio = df.groupby('AnoMesPedido')['Faturamento'].mean().reset_index()

# Dados
df_faturamento_medio.head(5)

	AnoMesPedido	Faturamento
0	201101	1165.285714
1	201102	5735.888889
2	201103	939.375000
3	201104	3050.705882
4	201105	3472.111111

Visualização do Indicador 5

# Plot

# Definição dos dados no plot
plot_data = [go.Bar(x = df_faturamento_medio['AnoMesPedido'], 
                    y = df_faturamento_medio['Faturamento'],)]

# Layout
plot_layout = go.Layout(xaxis = {"type": "category"}, 
                        title = 'Faturamento Médio Mensal')

# Plot da figura
fig = go.Figure(data = plot_data, layout = plot_layout)
pyoff.iplot(fig)

# Cria um dataframe somente com dados do São Paulo
dados_SaoPaulo = df.query("Estado=='São Paulo'").reset_index(drop = True)

# Calcula o faturamento médio de São Paulo
df_faturamento_medio_sp = dados_SaoPaulo.groupby('AnoMesPedido')['Faturamento'].mean().reset_index()

# Dados
df_faturamento_medio_sp.head(3)

	AnoMesPedido	Faturamento
0	201101	116.000000
1	201102	181.166667
2	201103	464.000000

# Plot

# Definição dos dados no plot
plot_data = [go.Bar(x = df_faturamento_medio_sp['AnoMesPedido'], 
                    y = df_faturamento_medio_sp['Faturamento'],)]

# Layout
plot_layout = go.Layout(xaxis = {"type": "category"}, 
                        title = 'Faturamento Total Mensal em um Estado (São Paulo)')

# Plot da figura
fig = go.Figure(data = plot_data, layout = plot_layout)
pyoff.iplot(fig)

Indicador 6 - Diferença de Faturamento ao Longo do Tempo Entre Clientes Novos e Antigos

Para calcular esse indicador precisaremos de um pouco de criatividade.

Vamos considerar cliente novo aquele com baixo volume de compras e cliente antigo aquele com alto volume de compras.

# Vamos encontrar a data de menor volume de compras de cada cliente
df_compra_minima = df.groupby('Nome Cliente')["Data Pedido"].min().reset_index()

# Ajustamos os nomes das colunas
df_compra_minima.columns = ['Nome Cliente', 'Data_Menor_Compra']

# Vamos extrair o mês em que ocorreu o menor volume de compras de cada cliente
df_compra_minima['Mes_Menor_Compra_Mensal'] = df_compra_minima['Data_Menor_Compra'].map(lambda date: 100 * date.year + date.month)

# Dados
df_compra_minima.head()

	Nome Cliente	Data_Menor_Compra	Mes_Menor_Compra_Mensal
0	Aaron Bootman	2013-08-13	201308
1	Aaron Cunningham	2012-08-31	201208
2	Aaron Davey	2012-06-06	201206
3	Abbie Perry	2014-09-25	201409
4	Abby Colebe	2011-09-19	201109

# Vamos fazer um merge entre o dataset original e o dataset de volume de compras
dados_compras = pd.merge(df, df_compra_minima, on = "Nome Cliente")
dados_compras.head()

	ID Pedido	Data Pedido	Nome Cliente	Cidade	Pais	Regiao	Segmento	Data Entrega	Modo Entrega	Estado	...	Lucro	Quantidade	Categoria	Sub-Categoria	AnoMesPedido	AnoPedido	Faturamento	TktMedio	Data_Menor_Compra	Mes_Menor_Compra_Mensal
0	AZ-2011-6674300	2011-01-04	Devin Huddleston	Natal	Brasil	Nordeste	Consumer	2011-01-08	Economica	Rio Grande do Norte	...	21	3	Office Supplies	Art	201101	2011	420	140.0	2011-01-04	201101
1	AZ-2014-381698	2014-06-23	Devin Huddleston	Ji-Paraná	Brasil	Norte	Consumer	2014-06-27	Economica	Rondônia	...	16	4	Furniture	Bookcases	201406	2014	2868	717.0	2011-01-04	201101
2	BN-2014-2717006	2014-08-22	Devin Huddleston	Serra	Brasil	Sudeste	Consumer	2014-08-28	Economica	Espírito Santo	...	-28	3	Technology	Machines	201408	2014	897	299.0	2011-01-04	201101
3	AZ-2011-617423	2011-01-05	Daniel Burke	Recife	Brasil	Nordeste	Home Office	2011-01-07	Prioridade	Pernambuco	...	21	3	Office Supplies	Art	201101	2011	270	90.0	2011-01-05	201101
4	AZ-2011-2918397	2011-01-07	Fredrick Beveridge	Palmas	Brasil	Centro-Oeste	Corporate	2011-01-08	Prioridade	Tocantins	...	36	1	Furniture	Bookcases	201101	2011	155	155.0	2011-01-07	201101

5 rows × 23 columns

# Vamos criar uma nova coluna de tipo de usuário e preencher como Novo
dados_compras['TipoUsuario'] = 'Novo'

# Dados
dados_compras['TipoUsuario'].value_counts()

Novo    991
Name: TipoUsuario, dtype: int64

# Dados
dados_compras.head(3)

	ID Pedido	Data Pedido	Nome Cliente	Cidade	Pais	Regiao	Segmento	Data Entrega	Modo Entrega	Estado	...	Quantidade	Categoria	Sub-Categoria	AnoMesPedido	AnoPedido	Faturamento	TktMedio	Data_Menor_Compra	Mes_Menor_Compra_Mensal	TipoUsuario
0	AZ-2011-6674300	2011-01-04	Devin Huddleston	Natal	Brasil	Nordeste	Consumer	2011-01-08	Economica	Rio Grande do Norte	...	3	Office Supplies	Art	201101	2011	420	140.0	2011-01-04	201101	Novo
1	AZ-2014-381698	2014-06-23	Devin Huddleston	Ji-Paraná	Brasil	Norte	Consumer	2014-06-27	Economica	Rondônia	...	4	Furniture	Bookcases	201406	2014	2868	717.0	2011-01-04	201101	Antigo
2	BN-2014-2717006	2014-08-22	Devin Huddleston	Serra	Brasil	Sudeste	Consumer	2014-08-28	Economica	Espírito Santo	...	3	Technology	Machines	201408	2014	897	299.0	2011-01-04	201101	Antigo

3 rows × 24 columns

# Um cliente antigo é aquele cujo volume de compras no mês é maior que o volume mínimo
# Se for verdadeiro, mudamos a coluna TipoUsuario para "Antigo" e se não, mantemos como "Novo"
dados_compras.loc[dados_compras['AnoMesPedido'] > dados_compras['Mes_Menor_Compra_Mensal'], 'TipoUsuario'] = 'Antigo'

# Dados
dados_compras['TipoUsuario'].value_counts()

Novo      577
Antigo    414
Name: TipoUsuario, dtype: int64

# Agora calculamos o faturamento por tipo de usuário por mês
df_faturamento_user_mes = dados_compras.groupby(['AnoMesPedido', 'TipoUsuario'])['Faturamento'].sum().reset_index()

# Dados
df_faturamento_user_mes

	AnoMesPedido	TipoUsuario	Faturamento
0	201101	Novo	8157
1	201102	Novo	51623
2	201103	Novo	7515
3	201104	Novo	51862
4	201105	Novo	31249
...	...	...	...
85	201410	Novo	753
86	201411	Antigo	97656
87	201411	Novo	14982
88	201412	Antigo	31668
89	201412	Novo	16846

90 rows × 3 columns

# Plot

# Definição dos dados no plot
plot_data = [go.Scatter(x = df_faturamento_user_mes.query("TipoUsuario == 'Antigo'")['AnoMesPedido'],
                        y = df_faturamento_user_mes.query("TipoUsuario == 'Antigo'")['Faturamento'],
                        name = 'Cliente Antigo'),
             go.Scatter(x = df_faturamento_user_mes.query("TipoUsuario == 'Novo'")['AnoMesPedido'],
                        y = df_faturamento_user_mes.query("TipoUsuario == 'Novo'")['Faturamento'],
                        name = 'Cliente Novo')]

# Layout
plot_layout = go.Layout(xaxis = {"type": "category"}, 
                        title = 'Diferença de Faturamento ao Longo do Tempo Entre Clientes Novos e Antigos')

# Plot da figura
fig = go.Figure(data = plot_data, layout = plot_layout)
pyoff.iplot(fig)

Indicador 7 - Taxa de Novos Clientes

Como definimos clientes novos e antigos no indicador 6, agora podemos usar os dados e calcular a proporção de novos clientes ao longo do tempo.

# Calcula a taxa de novos clientes
df_taxa_novos_clientes = dados_compras.query("TipoUsuario == 'Novo'").groupby(['AnoMesPedido'])['Nome Cliente'].nunique() / dados_compras.query("TipoUsuario == 'Antigo'").groupby(['AnoMesPedido'])['Nome Cliente'].nunique() 

# Ajustamos índice e removemos valores ausentes
df_taxa_novos_clientes = df_taxa_novos_clientes.reset_index()
df_taxa_novos_clientes = df_taxa_novos_clientes.dropna()

# Dados
df_taxa_novos_clientes.head(5)

	AnoMesPedido	Nome Cliente
6	201107	5.0
7	201108	20.0
8	201109	2.8
9	201110	7.0
10	201111	4.0

# Plot

# Definição dos dados no plot
plot_data = [go.Bar(x = df_taxa_novos_clientes['AnoMesPedido'],
                    y = df_taxa_novos_clientes['Nome Cliente'],)]

# Layout
plot_layout = go.Layout(xaxis = {"type": "category"}, 
                        title = 'Taxa de Novos Clientes')

# Plot da figura
fig = go.Figure(data = plot_data, layout = plot_layout)
pyoff.iplot(fig)

Indicador 8 - Taxa Mensal de Retenção de Clientes

Taxa Mensal de Retenção de Clientes = Clientes do Mês Anterior / Total de Clientes Ativos

# Agrupamos os dados por cliente e mês e somamos o faturamento
dados_compras_clientes = dados_compras.groupby(['Nome Cliente', 'AnoMesPedido'])['Faturamento'].sum().reset_index()

# Dados
dados_compras_clientes.head()

	Nome Cliente	AnoMesPedido	Faturamento
0	Aaron Bootman	201308	735
1	Aaron Bootman	201310	3792
2	Aaron Cunningham	201208	46
3	Aaron Cunningham	201401	202
4	Aaron Cunningham	201406	129

# Agora definimos a retenção com uma tabela cruzada
df_ret = pd.crosstab(dados_compras_clientes['Nome Cliente'], dados_compras_clientes['AnoMesPedido']).reset_index()

# Dados
df_ret.head()

AnoMesPedido	Nome Cliente	201101	201102	201103	201104	201105	201106	201107	201108	201109	...	201403	201404	201405	201406	201407	201408	201409	201410	201411	201412
0	Aaron Bootman	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
1	Aaron Cunningham	0	0	0	0	0	0	0	0	0	...	0	0	0	1	0	0	0	0	0	0
2	Aaron Davey	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
3	Abbie Perry	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	1	0	0	0
4	Abby Colebe	0	0	0	0	0	0	0	0	1	...	0	0	0	0	0	0	0	0	0	0

5 rows × 49 columns

# Extraímos os meses
meses = df_ret.columns[2:]
meses

Index([201102, 201103, 201104, 201105, 201106, 201107, 201108, 201109, 201110,
       201111, 201112, 201201, 201202, 201203, 201204, 201205, 201206, 201207,
       201208, 201209, 201210, 201211, 201212, 201301, 201302, 201303, 201304,
       201305, 201306, 201307, 201308, 201309, 201310, 201311, 201312, 201401,
       201402, 201403, 201404, 201405, 201406, 201407, 201408, 201409, 201410,
       201411, 201412],
      dtype='object', name='AnoMesPedido')

# O loop abaixo vai calcular a retenção ao longo dos meses

# Lista para gravar o resulatdo
lista_ret = []

# Loop
for i in range(len(meses)-1):
    dados_retencao = {}
    mes_corrente = meses[i+1]
    mes_anterior = meses[i]
    dados_retencao['AnoMes'] = int(mes_corrente)
    dados_retencao['TotalUser'] = df_ret[mes_corrente].sum()
    dados_retencao['TotalRetido'] = df_ret[(df_ret[mes_corrente] > 0) & (df_ret[mes_anterior] > 0)][mes_corrente].sum()
    lista_ret.append(dados_retencao)
    
lista_ret

[{'AnoMes': 201103, 'TotalUser': 8, 'TotalRetido': 0},
 {'AnoMes': 201104, 'TotalUser': 16, 'TotalRetido': 0},
 {'AnoMes': 201105, 'TotalUser': 9, 'TotalRetido': 0},
 {'AnoMes': 201106, 'TotalUser': 24, 'TotalRetido': 0},
 {'AnoMes': 201107, 'TotalUser': 6, 'TotalRetido': 0},
 {'AnoMes': 201108, 'TotalUser': 21, 'TotalRetido': 1},
 {'AnoMes': 201109, 'TotalUser': 19, 'TotalRetido': 1},
 {'AnoMes': 201110, 'TotalUser': 8, 'TotalRetido': 0},
 {'AnoMes': 201111, 'TotalUser': 20, 'TotalRetido': 1},
 {'AnoMes': 201112, 'TotalUser': 20, 'TotalRetido': 0},
 {'AnoMes': 201201, 'TotalUser': 11, 'TotalRetido': 1},
 {'AnoMes': 201202, 'TotalUser': 11, 'TotalRetido': 0},
 {'AnoMes': 201203, 'TotalUser': 17, 'TotalRetido': 0},
 {'AnoMes': 201204, 'TotalUser': 5, 'TotalRetido': 0},
 {'AnoMes': 201205, 'TotalUser': 8, 'TotalRetido': 0},
 {'AnoMes': 201206, 'TotalUser': 28, 'TotalRetido': 1},
 {'AnoMes': 201207, 'TotalUser': 13, 'TotalRetido': 1},
 {'AnoMes': 201208, 'TotalUser': 36, 'TotalRetido': 0},
 {'AnoMes': 201209, 'TotalUser': 26, 'TotalRetido': 2},
 {'AnoMes': 201210, 'TotalUser': 18, 'TotalRetido': 0},
 {'AnoMes': 201211, 'TotalUser': 27, 'TotalRetido': 1},
 {'AnoMes': 201212, 'TotalUser': 30, 'TotalRetido': 0},
 {'AnoMes': 201301, 'TotalUser': 16, 'TotalRetido': 1},
 {'AnoMes': 201302, 'TotalUser': 25, 'TotalRetido': 0},
 {'AnoMes': 201303, 'TotalUser': 12, 'TotalRetido': 1},
 {'AnoMes': 201304, 'TotalUser': 19, 'TotalRetido': 1},
 {'AnoMes': 201305, 'TotalUser': 13, 'TotalRetido': 1},
 {'AnoMes': 201306, 'TotalUser': 27, 'TotalRetido': 0},
 {'AnoMes': 201307, 'TotalUser': 14, 'TotalRetido': 0},
 {'AnoMes': 201308, 'TotalUser': 38, 'TotalRetido': 1},
 {'AnoMes': 201309, 'TotalUser': 30, 'TotalRetido': 3},
 {'AnoMes': 201310, 'TotalUser': 12, 'TotalRetido': 0},
 {'AnoMes': 201311, 'TotalUser': 29, 'TotalRetido': 0},
 {'AnoMes': 201312, 'TotalUser': 29, 'TotalRetido': 0},
 {'AnoMes': 201401, 'TotalUser': 28, 'TotalRetido': 1},
 {'AnoMes': 201402, 'TotalUser': 14, 'TotalRetido': 0},
 {'AnoMes': 201403, 'TotalUser': 14, 'TotalRetido': 0},
 {'AnoMes': 201404, 'TotalUser': 26, 'TotalRetido': 0},
 {'AnoMes': 201405, 'TotalUser': 23, 'TotalRetido': 0},
 {'AnoMes': 201406, 'TotalUser': 33, 'TotalRetido': 1},
 {'AnoMes': 201407, 'TotalUser': 6, 'TotalRetido': 0},
 {'AnoMes': 201408, 'TotalUser': 42, 'TotalRetido': 0},
 {'AnoMes': 201409, 'TotalUser': 36, 'TotalRetido': 3},
 {'AnoMes': 201410, 'TotalUser': 18, 'TotalRetido': 1},
 {'AnoMes': 201411, 'TotalUser': 37, 'TotalRetido': 1},
 {'AnoMes': 201412, 'TotalUser': 38, 'TotalRetido': 0}]

# Dados
df_ret_final = pd.DataFrame(lista_ret)
df_ret_final.head()

	AnoMes	TotalUser	TotalRetido
0	201103	8	0
1	201104	16	0
2	201105	9	0
3	201106	24	0
4	201107	6	0

Agora calculamos a proporção para encontrar o indicador.

# Calculamos o indicador
df_ret_final['TaxaRetencao'] = df_ret_final['TotalRetido'] / df_ret_final['TotalUser']
df_ret_final.head(5)

	AnoMes	TotalUser	TotalRetido	TaxaRetencao
0	201103	8	0	0.0
1	201104	16	0	0.0
2	201105	9	0	0.0
3	201106	24	0	0.0
4	201107	6	0	0.0

Visualização do Indicador 8

# Plot

# Definição dos dados no plot
plot_data = [go.Scatter(x = df_ret_final.query("AnoMes < 201112")['AnoMes'],
                        y = df_ret_final.query("AnoMes < 201112")['TaxaRetencao'],
                        name = "taxa")]

# Layout
plot_layout = go.Layout(xaxis = {"type": "category"}, 
                        title = 'Taxa Mensal de Retenção de Clientes')

# Plot da figura
fig = go.Figure(data = plot_data, layout = plot_layout)
pyoff.iplot(fig)

4. Conclusão

Conforme acima tivemos êxito calcular, analisar e interpretar os indicadores chave de performance abaixo com base nos dados fornecidos.

Entre em Contato!

Caso tenha alguma dúvida ou sugestão, entre em contato.

github	linkedin	e-mail